Kognition in technischen Systemen

Pixelbasierte Fusion von multimodalen, bildgebenden Sensoren

Die Digitalisierung in den bildgebenden Endgeräten setzt sich immer weiter fort. Neue Anwendungsfelder in der Telepräsenz, der Medizintechnik, dem maschinellen Sehen, aber auch im militärischen Bereich machen zunehmend Gebrauch von diesen Technologien. Durch die Verfügbarkeit von multi-sensoriellen Daten in diesen stetig wachsenden Anwendungsfeldern hat sich die Sensordatenfusion als neues Forschungsfeld etabliert.

Die derzeit übliche Definition von Sensor – Fusion wird weit gefasst. Es werden vier Ebenen angesprochen: Die Signalebene, die Pixelebene, die Featureebene und die Objektebene. Am LDV beschäftigen wir uns mit Sensordatenfusion auf der Pixelebene – sprich: Image fusion. Multisensordaten tragen oftmals ergänzende Information über die betrachteten Bildbereiche in sich. Image fusion ermöglicht eine effiziente Methode, diese Daten miteinander zu vergleichen. Das Ziel dieser Imagefusion ist es, Bilder zu generieren, die für den jeweils gewünschten Zweck besser geeignet sind. Solche Bilder können dann z.B. für Objekterkennung oder andere kognitive Funktionen eingesetzt werden. Die komplementäre Information aus unterschiedlichen Sensordaten wie z.B. aus Infrarot- und Videokameras ermöglicht es, die Wiedererkennungsrate nachhaltig zu steigern

Maschinelles Lernen und Wissensrepräsentation

Klassische technische Systeme wurden für das wiederholte effiziente Lösen eines bestimmten Problems entworfen, indem ihr genaues Verhalten vom Entwickler fest definiert wurde. Der heutige Trend zu kognitiven Systemen beschreibt den Wandel von starren Maschinen mit fest einem verdrahteten Verhalten zu flexiblen Systemen, welche je nach Umgebung und Aufgabenstellung ihr Verhalten optimal anpassen können. Ein kognitives System lernt kontinuierlich durch das wiederholte Lösen einer Aufgabe und ist dann in der Lage dasselbe oder ähnliche Probleme in Zukunft besser zu lösen. Für die Realisierung von maschinellem Lernen interessiert uns die mathematische Modelierung eines möglichen machinellen Lernprozesses. Eng damit verknüpft ist auch die Frage, auf welche Art und Weise gelerntes Wissen effizient in einem technischen System dargestellt und gespeichert werden kann. Forschungsergebnisse in jüngster Zeit haben z.B. gezeigt, dass Lernprozesse sehr gut mit mathematischen Methoden aus dem Bereich der Differenzialgeometrie abgebildet werden können. Im Rahmen dieser Forschungsarbeit ist der Lehrstuhl für Datenverarbeitung auch im Excellenzkluster CoTeSys vertreten.

Objektive Qualitätsmaße für Videokodierung

In vielen technischen Systemen ist es unabdingbar, die Qualität eines enkodierten Videostroms zu kennen. Die genaueste Aussage über diese Videoqualität erhält man über einen zeitaufwendigen subjektiven Test, aufgrund zeitlicher Beschränkungen sind allerdings nur objektive Qualitätsmaße einsetzbar. Diese Qualitätsmaße wurden bis jetzt meist dahingehend entwickelt, dass versucht wurde, das menschliche visuelle Wahrnehmungssystem mathematisch zu modellieren. Allerdings ist dieses Wahrnehmungssystem sehr komplex und für eine ausreichend genaue Modellierung auch zu wenig bekannt. Aus diesem Grund werden am LDV für die Entwicklung objektiver Qualitätsmetriken Methoden der multivariaten Datenanalyse eingesetzt. Hier wird der Wahrnehmungsvorgang als "Black Box" betrachtet und der Zusammenhang zwischen dem subjektiven Qualitätsempfinden und objektiv messbaren Größen wie Unschärfe oder Blockartefakte wird mittels bilinearer Regressionsmethoden aus den aus subjektiven Tests gewonnenen Daten extrahiert.

Vertrauen für kognitive Automobile

In diesem Themenbereich geht es um den sicheren Austausch von Karteninformationen zwischen kognitiven Fahrzeugen. Jedwede Information über den Verlauf von Straßen und die Verkehrslage ist Teil des inneren Modells eines solchen Fahrzeugs. Die Richtigkeit und Aktualität dieses Modells ist sehr wichtig für das System. Um das Modell fortlaufend an die Umwelt anzupassen, gibt es zwei wesentliche Informationsquellen: Mittels der eigenen Sensorik und Erkennungslogik kann das Fahrzeug die direkte Umgebung erforschen und Unterschiede zum inneren Modell erkennen. Informationen über Veränderungen an anderen Orten kann das es von anderen fahrzeugen über ein lokales Fahrzeug-zu-Fahrzeug-Netz erhalten. Diese Informationsquelle ist jedoch unsicher, weil das andere Fahrzeug die Umwelt fehlinterpretiert haben könnte oder weil das andere Fahrzeug bewusst manipuliert wurde. Wir vom Lehrstuhl für Datenverarbeitung versuchen deshalb, die Vertrauenswürdigkeit der Informationsquelle festzustellen und darauf basierend ein Vertrauensnetz zu etablieren. Weiterführende Informationen finden Sie auf einer eigenen Seite über Vertrauen für kognitive Automobile.